不同机器学习算法的适用性,用于在群体层面对草原料的比例进行分类,使用来自常规牛奶控制的中红外光谱信息

科学领域:

• 动物科学动物科学
• 数据科学数据科学数据科学
• 农业经济学 农业经济学

背景情况:

• 对于基于草原的生产系统产生的牛奶的国际标准的需求日益增长,需要强有力的监测政策.
• 目前农场内对草原料 (GBF) 的监测是艰苦而昂贵的,因此需要经济的验证代理.
• 现有的饮食分类模型往往不考虑放牧和新鲜草的季节性变化.

研究的目的:

• 开发和比较机器学习模型,以使用常规牛奶分析中红外光谱数据对奶牛食中的GBF比例进行分类.
• 评估四种不同的机器学习算法的性能:LASSO,PLS-DA,随机森林 (RF) 和支持矢量机器 (SVM).
• 调查将季节性指数和特定群体信息纳入饮食分类模型准确性的影响.

主要方法:

• 利用1,132个中红外 (MIR) 牛奶光谱来开发各种GBF比例的二元分类模型 (例如,总GBF≥50%).
• 我们比较了四种机器学习算法 (LASSO,PLS-DA,RF,SVM) 对于它们在料组之间进行区分的能力.
• 纳入季节性指数和群体特定数据 (DIM,品种,平价) 作为共同变量,以提高模型性能.

主要成果:

• 与RF和SVM相比,LASSO和PLS-DA模型在分类GBF比例方面表现优异.
• 性能最好的 LASSO 模型,包括季节性和群体特定信息,在总 GBF ≥50% 时达到 78.6% 的准确性.
• 拉索模型的精度为85.1%,灵敏度为90.6%,F1得分为87.7%,总GBF ≥50%的分类.

结论:

• 机器学习算法,特别是LASSO和PLS-DA,是在群体级牛奶分析中对饮食中的GBF比例进行分类的有效工具.
• 结合季节性和群体特定数据可以显著提高这些分类模型的准确性.
• 这些模型提供了一个有希望的,经济的替代品,用于验证基于草原的牛奶生产声称.